Mutually Exciting Point Processes with Latency
具有响应延迟的相互激发点过程AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确应用于纽约和多伦多交易所高频交易数据，研究毫秒级事件响应延迟。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
具有响应延迟的相互激发点过程
- 研究问题
- 仅观测多个事件序列的发生时间时，如何估计获知事件并产生响应所需的延迟，并对这一延迟进行统计推断？
- 方法与思路
- 作者在参数化 Hawkes 模型中把延迟定义为核参数的已知函数，使用广义伽马混合核、最大似然和填充渐近理论。
- 材料陈述的贡献
- 摘要称，方法提供可实施的参数及延迟估计渐近理论和检验；美加交易所高频应用报告了毫秒尺度的延迟估计。
- 阅读关注点
- 应核对核函数众数与响应延迟的对应关系、混合核识别、填充渐近设定，以及交易时间记录精度和延迟检验方式。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 索引摘要；延迟依赖所设核模型，交易所估计的误差和识别条件未说明，不能推断刊本变化。
原文摘要
A novel statistical approach to estimating latency, defined as the time it takes to learn about an event and generate response to this event, is proposed. Our approach only requires a multidimensional point process describing event times, which circumvents the use of more detailed datasets which may not even be available. We consider the class of parametric Hawkes models capturing clustering effects and define latency as a known function of kernel parameters, typically the mode of kernel function. Since latency is not well-defined when the kernel is exponential, we consider maximum likelihood estimation in the mixture of generalized gamma kernels case and derive the feasible central limit theory with in-fill asymptotics. As a byproduct, central limit theory for a latency estimator and related tests are provided. Our numerical study corroborates the theory. An empirical application on high frequency data transactions from the New York Stock Exchange and Toronto Stock Exchange shows that latency estimates for the US and Canadian stock exchanges vary between 1 and 6 milliseconds from 2020 to 2021.